Truyện Cảm Giác Khi Hai Ta Gặp Nhau

Về vấn đề này, nhiều độc giả tò mò IMO có vai trò như thế nào trên con đường lựa chọn trở thành nhà Toán học của GS Ngô Bảo Châu và nếu như không tham dự IMO, liệu ông có trở thành nhà Toán học như hiện nay?

“Thực ra kỳ thi IMO rất quan trọng đối với việc tôi trở thành nhà Toán học. Hồi cấp 1, Toán không phải là lựa chọn đầu tiên của tôi về môn học thích nhất. Khi đó, tôi thích làm kỹ sư hơn, thích máy móc... Nhưng lần trượt kỳ thi vào chuyên Toán khiến tôi thay đổi. Lúc học ôn, tôi thấy nhiều bài khó quá, nhiều bài không giải được. Nhưng cũng từ lúc đó, tôi có động lực muốn vượt lên chính mình.

Tôi suy nghĩ tại sao bài đó, người ta giải được mà mình lại không? Tại sao một bài Toán, mình mất cả buổi chiều không giải được nhưng lời giải đáp án chỉ ngắn như thế? Nhiều lúc mở lời giải ra, tôi vừa tức vừa sướng vì thấy lời giải hay quá. Những điều nhỏ thôi nhưng tôi nghĩ là động lực cho bản thân ngày càng học tốt và yêu Toán hơn. Chứ nếu Toán dễ, chưa chắc đã thích”, GS Châu kể.

Cũng vì vậy, GS Châu cho rằng, xã hội cũng như các bậc phụ huynh nên suy nghĩ lại quan niệm về việc học hành. “Chúng ta cứ nghĩ nên giảm tải, đơn giản hóa để các em học dễ nhưng thực ra trẻ con rất thích thử thách. Dễ quá chưa chắc trẻ đã thích học”, GS Châu nói.

Theo GS Châu, IMO là một sân chơi có sự thi đua và để các bạn trẻ vượt qua chính mình. “Đó là một kỳ thi rất trong sáng, nghiêm túc để cho một số người tham gia và cũng nhờ vào phong trào đó mà chúng tôi trở thành những nhà khoa học”, GS Châu nói.    

Tại tọa đàm, nhiều học sinh hỏi GS Ngô Bảo Châu về bí quyết, phương pháp để có thể học tốt Toán.

GS Châu chia sẻ: “Khi giải một bài toán do mình tự làm được hoặc khi không thể mà đọc lời giải, cần cố gắng hiểu đến mức lần sau nhìn thấy một bài tương tự là có thể tự giải được. Chúng ta không thể nào biết được hàng nghìn, hàng vạn bài toán nhưng chỉ cần hiểu một cách trọn vẹn những bài mình trải qua, những bài khác sẽ trở nên dễ hơn”.

GS Châu kể, hồi cấp 2, ông cũng từng thi trượt vào khối chuyên Toán. Nhưng sau đó, mỗi khi không giải được bài nào, ông sẽ chép lại lời giải bài đó. Giáo sư chép một lần, hai lần, ba lần... cho đến khi cảm thấy thực sự hiểu bài Toán đó.

“Tôi chép lại một cách rất cẩn thận, nhiều khi chép 2 - 3 lần một lời giải chỉ để hiểu bài Toán. Cũng nhờ việc đó, rất nhiều bài khác tôi đã giải được. Tôi nghĩ quan trọng nhất không phải số lượng bài mình làm được, quan trọng hơn là cố gắng hiểu một cách trọn vẹn lời giải cho các bài Toán”, GS Châu nói.

Thành viên đội Việt Nam lý giải kết quả thi Olympic Toán quốc tế không như kỳ vọng

Kỳ thi tốt nghiệp THPT năm nay có 1.071.393 thí sinh đăng ký, tăng hơn 45.000 so với năm 2023. Trong đó, thí sinh tự do có 46.978, chiếm 4,38%. Hà Nội tiếp tục là địa phương có số thí sinh dự thi tốt nghiệp THPT đông nhất với 109.078 thí sinh.

4 vị trí tiếp theo là TPHCM (90.062), Thanh Hóa (38.775), Nghệ An (37.044 ) và Đồng Nai (34.088).

Bộ GD-ĐT cho biết, từ 18/7 đến 17h ngày 30/7, thí sinh đăng ký, điều chỉnh nguyện vọng xét tuyển (không giới hạn số lần) trong thời gian quy định.

Chậm nhất ngày 21/7, Bộ GD-ĐT công bố điểm sàn khối ngành sức khỏe và sư phạm. Từ 31/7 đến 17h ngày 6/8, thí sinh nộp lệ phí đăng ký xét tuyển (trực tuyến).

Từ 13/8 đến 17h ngày 17/8, Bộ GD-ĐT xử lý nguyện vọng trên hệ thống để xác định nguyện vọng cao nhất trong số nguyện vọng mà thí sinh đủ điều kiện trúng tuyển (lọc ảo).

Trước 17h ngày 19/8, các trường đại học công bố điểm chuẩn và danh sách trúng tuyển đợt 1.

Trước 17h ngày 27/8, thí sinh xác nhận nhập học trực tuyến đợt 1 trên hệ thống.

Từ ngày 28/8, các cơ sở đào tạo thông báo tuyển sinh đợt bổ sung. Từ tháng 9 đến tháng 12, các cơ sở đào tạo xét tuyển các đợt tiếp theo và cập nhật danh sách thí sinh trúng tuyển và nhập học theo quy định.

Top 100 thí sinh có điểm khối B thi tốt nghiệp THPT cao nhất cả nước năm 2024

Nghiên cứu của MIT tập trung vào việc phát triển một khung đánh giá dựa trên sự phù hợp của niềm tin của con người về khả năng của LLM trong thực hiện các nhiệm vụ cụ thể. Họ mô tả cách con người cập nhật niềm tin của mình về khả năng của LLM sau khi tương tác với nó. Các nhà nghiên cứu phát hiện rằng: khi LLM không đáp ứng kỳ vọng của con người, người dùng có thể trở nên quá tự tin hoặc thiếu tự tin về việc sử dụng chúng, dẫn đến hiệu suất kém trong các tình huống quan trọng.

Tổng quát hóa con người

Nghiên cứu do GS. Ashesh Rambachan - giáo sư trợ giảng kinh tế tại Phòng thí nghiệm Hệ thống Thông tin và Quyết định của MIT (LIDS) và các cộng sự thực hiện đã chỉ ra rằng: sự tổng quát hóa của con người - tức là khả năng dự đoán hiệu suất của một LLM dựa trên các phản hồi trước đó - rất quan trọng để đánh giá đúng khả năng của mô hình. Họ đã tạo ra một bộ dữ liệu gồm gần 19.000 ví dụ để đo lường cách con người tổng quát hóa về hiệu suất của các LLM trên 79 nhiệm vụ khác nhau.

Kết quả cho thấy, con người thường tổng quát hóa tốt hơn với các mô hình. Nhưng họ gặp khó khăn khi đánh giá hiệu suất của LLM. Các thí sinh khảo sát có xu hướng dự đoán hiệu suất của LLM kém chính xác hơn so với việc đánh giá hiệu suất của con người. GS. Rambachan cho rằng: “Sự tổng quát hóa của con người có thể bị phá vỡ khi áp dụng cho LLMs, vì các mô hình này không thể hiện các mẫu chuyên môn rõ ràng như con người”.

Đo lường sự không phù hợp

Con người cũng có xu hướng điều chỉnh niềm tin của họ về LLM khi mô hình trả lời sai hơn khi nó trả lời đúng. Nhiều người cũng cho rằng, hiệu suất của LLM trên các câu hỏi đơn giản không ảnh hưởng nhiều đến hiệu suất của nó trên các câu hỏi phức tạp hơn. Trong những tình huống sự phản hồi không chính xác được coi trọng, các mô hình đơn giản có thể vượt qua các mô hình tinh vi như GPT-4.

Một lý do cho sự kém hiệu quả trong việc tổng quát hóa các LLM là do những mô hình này còn mới mẻ, và con người có ít kinh nghiệm tương tác nó hơn so với việc tương tác người - người. GS. Rambachan cho rằng, việc tương tác nhiều hơn với LLM có thể giúp cải thiện khả năng tổng quát hóa của con người về chúng. Nghiên cứu hướng đến có thể cải thiện về niềm tin của con người khi tương tác với LLM và cách tổng quát hóa có thể được tích hợp vào việc phát triển các LLM.

Bài nghiên cứu nhấn mạnh rằng, để huấn luyện và điều chỉnh các LLM hiệu quả, cần phải xem xét cách con người tổng quát hóa về các mô hình này. Bộ dữ liệu các nhà nghiên cứu tạo ra có thể trở thành tiêu chuẩn để so sánh hiệu suất của các LLM liên quan đến hàm tổng quát hóa của con người, từ đó giúp cải thiện mô hình trong các tình huống thực tế.

Alex Imas - giáo sư khoa học hành vi và kinh tế tại Trường Kinh doanh Booth của Đại học Chicago cho rằng, nghiên cứu của MIT có 2 đóng góp quan trọng. Thứ nhất, nó nêu bật vấn đề khi triển khai LLM cho các mục đích chung, nếu người dùng không hiểu rõ khi nào LLM sẽ chính xác hay thất bại, họ có thể gặp khó khăn trong việc tiếp tục sử dụng chúng. Thứ hai, nghiên cứu cung cấp cái nhìn sâu sắc về cách các mô hình xử lý các vấn đề và cho thấy liệu LLM có "hiểu" các vấn đề mà chúng giải quyết hay không. 

(Theo: MIT News)